Модель SenseNova-Loop-9B: SenseTime открыла веса ИИ, который прогоняет слои дважды — и в 4 битах он весит около 4,9 ГБ
SenseTime выложила открытую модель SenseNova-Loop-9B, которая повторно использует слои для более глубоких вычислений. Разбираем идею, цифры и запуск на своём железе.

- Около 9 млрд параметров, на вход текст и картинки, контекст до 512 тысяч токенов.
- По тестам SenseTime, на задачах агентов и анализа данных модель держится на уровне Qwen3.8-27B — втрое большей.
- Для контекста 256 тысяч токенов в 4-битной сборке нужно около 15 ГиБ видеопамяти.
Модель SenseNova-Loop-9B от китайской SenseTime вышла 17 ноября с открытыми весами под Apache 2.0 и одной хитрой идеей: часть слоёв она прогоняет дважды. Так девять миллиардов параметров работают «глубже», а в 4-битной версии веса занимают всего около 4,9 ГБ. Разбираем, что умеет новинка, где цифры выглядят честно и стоит ли ставить её себе на компьютер.
Что произошло
По официальному анонсу SenseTime, это финальная версия после превью, которое компания показывала раньше. Веса и код выложены на Hugging Face и GitHub, лицензия — Apache 2.0, то есть пользоваться можно в том числе в коммерческих проектах. 18 ноября к релизу добавили официальные AWQ- и GGUF-версии. Одна деталь: репозиторий открытый, но для скачивания файлов нужно войти в аккаунт и принять условия доступа.
TechNode подтверждает основные цифры: 32 слоя декодера, повтор средних слоёв, контекст до 512 тысяч токенов и около 4,9 ГБ в 4-битной версии.
В анонсе SenseTime показывает примеры: анимированный сайт-постер для музыкального фестиваля, 3D-сцены, SVG-графику. Все они, по словам компании, сделаны моделью внутри агентных оболочек Codex и Hermes за один–четыре раунда общения с пользователем. Это полезная оговорка: перед нами не «один промпт — готовый сайт», а работа в несколько итераций. Ещё одна цифра для масштаба: за последний месяц страницу модели на Hugging Face скачали меньше тысячи раз, так что сообщество только начинает её щупать.
Модель SenseNova-Loop-9B: как работает «петля»
Обычная нейросеть прогоняет запрос через каждый слой один раз. Здесь слои с 4-го по 27-й образуют общий блок, который выполняется дважды. Итог: 32 физических слоя дают 56 вычислений за один проход. Параметров при этом не прибавляется — растёт только глубина «размышления».
Ещё два элемента архитектуры:
- два потока данных внутри петли (SenseTime называет это mHC) — обучаемые связи, которые смешивают информацию между ними;
- гибридное внимание — в каждой группе из четырёх слоёв три работают с «лёгким» линейным вниманием и один с полным. Это экономит память на длинном контексте.
Модель SenseNova-Loop-9B — попытка выжать из маленькой модели глубину большой, не раздувая веса.
Что показывают тесты
Все цифры ниже — из карточки модели, то есть от самой SenseTime. По сравнению с превью рост заметный: AutomationBench — с 14,33 до 36,67, Terminal-Bench 2.1 — с 40,45 до 59,55, GAIA — с 37,86 до 69,90.
С Qwen3.8-27B, которая втрое больше, картина ровнее: на AutomationBench ничья (36,67), на AIDABench у Loop-9B 65,31 против 65,01, а на NL2Repo она проигрывает — 41,36 против 44,60. То есть «уровень 27B» верен для части тестов, а не для всех.
Что важно: SenseTime сама перечисляет слабые места. Модель может путаться, когда инструментов много или ограничений сразу несколько. На коде и общих агентных задачах результат нестабилен. А сложные сайты с 3D и анимацией редко получаются с первого раза — нужно два-три круга правок.
Что это значит для тебя
Главный плюс — локальный запуск. Если ты анализируешь свои сделки, выгрузки с бирж или ончейн-данные и не хочешь отправлять их в облако, модель SenseNova-Loop-9B помещается на видеокарту с объёмом памяти меньше 10 ГБ, по оценке SenseTime. На длинном контексте понадобится больше — около 15 ГиБ на 256 тысяч токенов. Похожие варианты для своего железа мы уже разбирали: Edge0-145B и LFM3 от Liquid AI.
Минусы тоже есть. Поддержка в vLLM и SGLang пока идёт через отдельные пулл-реквесты, причём ветка vLLM, по словам SenseTime, работает только с неквантованной текстовой версией — без экономной 4-битной сборки. Новичку проще начать с GGUF. Плюс для тех, у кого уже есть свои скрипты: при запуске через SGLang или vLLM модель отвечает по OpenAI-совместимому API на локальном адресе, так что бота, написанного под облачный API, можно переключить на свой сервер почти без правок. И нестабильность на агентных задачах значит, что автономно управлять кошельком такой модели нельзя.
Что делать
- Скачай AWQ- или GGUF-версию с официальной страницы sensenova на Hugging Face, а не с зеркал и не из ссылок в чатах: подменённые файлы — лишний и ненужный риск.
- Начни с простых задач: разбор таблиц, суммаризация отчётов, черновики кода.
- Не давай локальному агенту приватные ключи и сид-фразы — даже если он работает офлайн.
- Сверяй выводы модели с исходными данными: SenseTime прямо пишет, что сложные инструкции она иногда пропускает.
FAQ
Модель SenseNova-Loop-9B бесплатная? Да, веса открыты под Apache 2.0. Нужно только войти на Hugging Face и принять условия доступа.
Сколько нужно видеопамяти? По данным SenseTime, меньше 10 ГБ для 4-битной версии и около 15 ГиБ для контекста 256 тысяч токенов.
Понимает ли она картинки? Да, на вход принимает текст и изображения, на выходе — только текст.
Она лучше Qwen3.8-27B? На части тестов наравне или чуть выше, на NL2Repo — ниже. Независимых замеров мы пока не нашли — все цифры от SenseTime.
Вывод
Модель SenseNova-Loop-9B — интересный эксперимент с «петлёй» слоёв: маленькие веса, большой контекст и честно названные слабые места. Для локального анализа данных и черновой работы с кодом её стоит попробовать. Для автономных агентов с доступом к деньгам — пока нет. Дождись независимых тестов и проверяй каждый результат сам.
Материал не является инвестиционной рекомендацией. Крипта — высокий риск, решения принимаешь сам.


